写在前面 如果说上一篇博客的鸢尾花有一点抽象的话,那么我们可以在MNIST手写数字数据集中看到更加直观的结果。利用KNN识别MNIST手写数字体。或许可以浅显地认为KNN在计算机视觉领域也有一定用武之地。算法最终可以达到90%的准确度。 说明 与上一篇博客一样,KNN算法没有任何的训练过程,test, train的起名只是为了叙说方便,其意义见下: test: 待分类样本 train
写在前面 KNN近邻算法是最简单的机器学习算法,也正是因为其算法简单的特点,其具有非常好的实时性,在一些嵌入式设备中可以被轻易的部署。KNN具有非常好实时性的同时,其对于一些分类问题也有很好的性能,在本文的鸢尾花识别中,如果选取合适的K,算法精度甚至可以达到97.5%以上。KNN本身也具有非常多的变种,本文只是展示了其简单的一种变种。 本文的KNN紧邻算法原理 何为KNN?其英文,“K-Ne
写在前面 俗话说的好,没有什么是MATLAB干不了的,今天笔者就将给大家带来一个使用MATLAB实现迁移学习的实例 数据集选取及简介 考虑到Alexnet输入的色彩通道为3,因此笔者未使用数据集为灰度图的数据集,如MNIST,转而使用的是本身就就为RGB图像的CIFAR-10,下载地址在此处。 CIFAR-10 数据集由 10 个类别的 60000 张 32x32 彩色图像组成,每类 60
写在前面 虽然pycharm和vscode都可以使用远程服务器,但是笔者在写本文档时也属于入门深度学习的阶段,对于网上一些入门课程(跟着李沐学AI)需要跟着敲代码,并且想要显式的观看每一个函数之类的代码段的输出,因此就引出以下两个需求: 想要jupyter优质的交互环境 针对一些多卡训练课程,本地电脑的显卡资源无法满足,需要实验室的多卡环境 于是就想到了利用本地电脑远程访问实验室服
实用技术
博客
泡泡
积分
勋章
机器学习——Python实现KNN识别MNIST手写数字体
机器学习——Python实现KNN识别鸢尾花
在MATLAB上实现迁移学习
本地电脑使用登录方式为公钥的远程服务器的jupyter notebook(原创+首发)
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信